Post on 07-Apr-2016
PLANEJAMENTO EXPERIMENTAL
Programa de Pós-Graduação em Ciência e Engenharia de Materiais - UNESC
Prof. Dr. Márcio Antônio Fiorimfi@unesc.net
marciofiori@gmail.com
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
PLANEJAMENTO EXPERIMENTAL
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
Experimento Fatores PEBDL PEAD
Nº Princípio ativo
(%)Tempo (dias)
Média (ppm)
Desvpad
Média (ppm)
Desvpad
1 0,4 1 0,33 0,10 0,57 0,20
2 2,4 1 1,07 0,20 1,59 0,25
3 1,4 10 0,86 0,20 1 0,20
4 1,4 10 1,04 0,25 1,58 0,14
5 1,4 10 1,11 0,25 1,25 0,18
6 0,4 19 0,78 0,22 0,83 0,16
7 2,4 19 1,49 0,22 0,94 0,20
Resultados obtidos referente ao teste de migração para os masterbatches
PEBDL/GZn e PEAD/GZn (referência: Dissertação de mestrado Marcel Ferrari)
PLANEJAMENTO EXPERIMENTAL
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
Resultados obtidos referente ao teste de migração para os masterbatches
PEBDL/GZn e PEAD/GZn (referência: Dissertação de mestrado Marcel Ferrari)
1 2 3 4 5 6 70,0
0,3
0,6
0,9
1,2
1,5
1,8
Zn++
(ppm
)
Experimento
PEAD/Zn PEBDL/Zn
PLANEJAMENTO EXPERIMENTAL
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
Fator Desvio Padrão df MS Teste F Teste P
1) Concentração (%) 0,319225 1 0,319225 3,771859 0,191612
2) Tempo (dias) 0,038025 1 0,038025 0,449291 0,571704
1 by 2 0,207025 1 0,207025 2,446140 0,258264
Falta de ajuste 0,148344 1 0,148344 1,752785 0,316580
Erro Puro 0,169267 2 0,084633
Desvio Padrão Total 0,881886 6
Fator Desvio Padrão df MS Teste F Teste P
1) Concentração (%) 0,680625 1 0,680625 57,56973 0,004750
2) Tempo (dias) 0,112225 1 0,112225 9,49240 0,054095
1 by 2 0,013225 1 0,013225 1,11862 0,367845
Falta de ajuste 0,002201 1 0,002201 0,13234 0,750878
Erro Puro 0,033267 2 0,016633
Desvio Padrão Total 0,841543 6
Análise de Variância (ANOVA) aplicada aos valores de migração de PEBDL.
Análise de Variância (ANOVA) aplicada aos valores de migração de PEAD.
O MÉTODO DE SOLUÇÃO DE UM PROBLEMA
Descrição clara
Identificação de fatores importantes
Proposição ou refinamento de um modelo
Manipulação do modelo
Confirmação da solução
Conclusões e recomendações
Realização de experimentos
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
1.0 - MODELOS MECANÍSTICOS E EMPRÍRICOS
Modelo mecanístico
São modelos construídos a partir do conhecimento do mecanismo físico básico que relaciona suas variáveis.
Ex.: A relação entre a corrente elétrica em um sistema Ôhmico com a resistência elétrica:
I = V/R
Observações: A partir de inúmeros medidas experimentais é observada a modificação da relação com o tempo, com a temperatura e outros.
O MODELO NECESSITA DE AJUSTES
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
MODELOS MECANÍSTICOS E EMPRÍRICOS
Modelo empírico
São modelos que não são desenvolvidos completamente a partir dos conhecimentos teóricos. Necessitam de ajustes a partir de experimentos.
Ex.: A relação entre a corrente elétrica em um sistema Ôhmico com a resistência elétrica ajustado:
I = V/R + є
Observações: A constante “є ”será determinada a partir do tratamentos dos resultados experimentais
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
MODELOS MECANÍSTICOS E EMPRÍRICOS
Quando não há modelos mecanicistas simples:
Ex.:Estamos interessados no peso molecular médio (Mn) de um polímero. É sabido que o Mn está relacionado com a viscosidade (V) do material e também depende da quantidade de catalisador (C) na reação de polimerização e da temperatura (T) no reator.
A relação será do tipo: Mn = f(V,C,T)
Pode-se atribuir a forma de função f(V,C,T) a partir de uma função de taylor, considerando apenas o termo de primeira ordem:
Mn = β0 + β1.V + β2.C + β3.T(β’s são os parâmetros desconhecidos)
Considerando outras fontes de variabilidade o modelo deverá ser ajustado:
Mn = β0 + β1.V + β2.C + β3.T + є
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
MODELOS MECANÍSTICOS E EMPRÍRICOS
Exemplo:
Consideremos a situação de necessidade de um modelo para relacionar a Resistência à Tração em uma interface de semicondutor e cola no bastão com o comprimento do arame e altura da matriz.
Obs.: Neste caso não há um modelo físico, é necessário um modelo empírico. A proposta empírica será:
RT = β0 + β1.(comprimento do arame) + β2.(altura de matriz) + є
“A partir de medidas experimentais e métodos estatísticos:”
RT = 2,26 + 2,74.(comprimento do arame) + 0,0125.(altura de matriz)
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
2.0 – DIAGRAMAS ESTATÍSTICOS
Diagramas de Ramo e Folhas:
Útil para amostras relativamente pequenas, até cerca de 20 observações.
Para construir um diagrama de ramos divide-se o número e duas partes: Um ramo e uma folha.
Exemplo:Resistência à compressão de 80 corpos de liga alumínio-lítio (psi – libra/polegada ao quadrado) -
QUE PERCENTAGEM DE CORPOS CAEM ABAIXO DE 120 psi?
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
105 221 183 186 121 181 180 143
97 154 153 174 120 168 167 141
245 228 174 199 181 158 176 110
163 131 154 115 160 208 158 133
207 180 190 193 194 133 156 123
134 178 76 167 184 135 229 146
218 157 101 171 165 172 158 169
199 151 142 163 145 171 148 158
160 175 149 87 160 237 150 135
196 201 200 176 150 170 118 149
2.0 – DIAGRAMAS ESTATÍSTICOS
O Diagrama:
Ramo: de 7 a 24:
Ramo Folha Freqüência 7 6 1 8 7 1 9 7 110 5 1 211 5 8 0 312 1 0 3 313 4 1 3 5 3 5 614 2 9 5 8 3 1 6 9 815 4 7 1 3 4 0 8 8 6 8 0 8 1216 3 0 7 3 0 5 0 8 7 9 1017 8 5 4 4 1 6 2 1 0 6 1018 0 3 6 1 4 1 0 719 9 6 0 9 3 4 620 7 1 0 8 421 8 122 1 8 9 323 7 124 5 1
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
2.0 – DIAGRAMAS ESTATÍSTICOS
Distribuição de freqüências e histogramas:
É um sumário mais compacto dos dados, em relação ao diagrama de ramo e folhas.
Divide-se a faixa de dados em intervalos , que são geralmente chamados de intervalos de classe ou células.
Na prática trabalha-se com o número de intervalos de classe ou células como sendo aproximadamente igual a raiz quadrada do número de medidas.
Para o exemplo anterior:
Número de intervalos de classe ou células ~ √80 ~ 9
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
2.0 – DIAGRAMAS ESTATÍSTICOS
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
Intervalo de classe (psi) Freqüência Freqüência relativa Freqüência relativa cumulativa
70 ≤ x 90 2 0,0250 0,0250
90 ≤ x 110 3 0,0375 0,0625
110 ≤ x 130 6 0,0750 0,1375
130 ≤ x 150 14 0,1750 0,3125
150 ≤ x 170 22 0,2750 0,5875
170 ≤ x 190 17 0,2125 0,8000
190 ≤ x 210 10 0,1250 0,9250
210 ≤ x 230 4 0,0500 0,9750
230 ≤ x 250 2 0,0250 1,0000
Tabela de Freqüências:
2.0 – DIAGRAMAS ESTATÍSTICOS
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
Gráfico de freqüências:
60 80 100 120 140 160 180 200 220 2400
5
10
15
20
25
Freq
üênc
ia
Resistência à compressão (psi)
2.0 – DIAGRAMAS ESTATÍSTICOS
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
Gráfico de freqüência relativa:
60 80 100 120 140 160 180 200 220 2400,00
0,05
0,10
0,15
0,20
0,25
0,30Fr
eqüê
ncia
rela
tiva
Resistência à compressão (psi)
2.0 – DIAGRAMAS ESTATÍSTICOS
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
Gráfico de freqüência cumulativa:
60 80 100 120 140 160 180 200 220 2400,0
0,2
0,4
0,6
0,8
1,0
Freq
üênc
ia c
umul
ativ
a
Resistência à compressão (psi)
2.0 – DIAGRAMAS ESTATÍSTICOS
Gráficos temporais:
Exemplo:
Os seguintes dados são medidas de viscosidade para um produto químico observado de hora em hora.
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
47,9 48,8 48,6 43,2 43,0
47,9 48,1 48,0 43,0 42,8
48,6 48,3 47,9 43,5 43,1
48,0 47,2 48,3 43,1 43,2
48,4 48,9 48,5 43,0 43,6
48,1 48,6 48,1 42,9 43,2
48,0 48,0 48,0 43,6 43,5
48,6 47,5 48,3 43,3 43,0
2.0 – DIAGRAMAS ESTATÍSTICOS
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
0 10 20 30 4042
44
46
48
50V
isco
sida
de
Tempo (h)
2.0 – MÉDIAS E VARIÂNCIA
Média da amostra:
Definição: Se as n observações em uma amostra forem denotadas por x1, x2, x3,...,xn, então, a média da amostra será:
Média = (x1 + x2+ x3 +...+xn)/n = xi/n
Quando a população for finita:
Média populacional = µ = xi/N
Embora a média da amostra seja útil , não transmite toda a informação acerca de uma amostra de dados. A variabilidade ou dispersão nos dados pode ser descrita pela variância ou desvio-padrão da amostra.
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
2.0 – MÉDIAS E VARIÂNCIA
Variância:
Definição: Se x1, x2, x3,...,xn, for uma amostra de n observações, então a variância da amostra será:
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
2.0 – MÉDIAS E VARIÂNCIA
Desvio padrão:
O desvio padrão da amostra, S, é a raiz quadrada positiva da variância.
O desvio padrão tem uma propriedade desejável de variabilidade de medida das unidades originais da variável de interesse.
Amplitude da amostra:
Se as n observações em uma amostra forem denotadas por Se x1, x2, x3,...,xn , então a amplitude da amostra será
R = máx(xi) – mín(xi)
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
2.0 – DIAGRAMA DE CAIXA (Boxplot)
O boxplot (gráfico de caixa) é um gráfico utilizado para avaliar a distribuição empírica do dados
O diagrama de caixa é uma apresentação gráfica que descreve simultaneamente várias características importantes de um conjunto de dados, tais como centro, dispersão, desvio da simetria e identificação das observações que estão surpreendentemente longe do seio dos dados.
Um diagrama de caixa apresenta três quartis, o mínimo e o máximo dos dados em uma caixa regular , alinhados tanto horizontal quanto verticalmente.
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
Primeiro quartil
Segundo quartil
Terceiro quartil
Percentil 50 ou mediana
2.0 – DIAGRAMAS ESTATÍSTICOS
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
2.0 – DIAGRAMAS ESTATÍSTICOS
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
O boxplot é formado pelo primeiro e terceiro quartil e pela mediana.
As hastes inferiores e superiores se estendem, respectivamente, do quartil inferior até o menor valor não inferior ao limite inferior e do quartil superior até o maior valor não superior ao limite superior. Os limites são calculados da forma abaixo
Limite inferior: Q1 – 1,5(Q3 – Q1)Limite superior: Q3 + 1,5(Q3 – Q1)
Para este caso, os pontos fora destes limites são considerados valores discrepantes (outliers).
2.0 – DIAGRAMAS ESTATÍSTICOS
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
2.0 – DIAGRAMAS ESTATÍSTICOS
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
Exemplo: Medidas da altura de 20 hastes. Boxplot correspondente?
Dados da usinagem (mm)903,88 1036,92 1098,04 1011,26
1020,70 915,38 1014,53 1097,79
934,52 1214,08 993,45 1120,19
860,41 1039,19 950,38 941,83
936,78 1086,98 1144,94 1066,12
GRAUS DE LIBERDADE DE UM SISTEMA
Graus de Liberdade
O número n de observações em que se baseia o cálculo de s quando se conhece a média verdadeira m dá uma indicação sobre a precisão da medida s e constitui o grau de liberdade de um sistema.
No caso geral, se conhecida a média para calcular s o sistema terá N – 1 graus de liberdade.
Quando a média m não é conhecida e é feito o cálculo de s a partir de uma estimativa, prova a teoria que isto equivale exatamente à perda de uma das observações. Ou seja, a perda de um grau de liberdade.
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
COEFICIENTE DE VARIAÇÃO
Coeficiente de Variação
Chama-se coeficiente de variação (C.V.) o número dado pela fórmula seguinte:
C.V. = 100. s/m
O coeficiente de variação dá a ideia da precisão do experimento.
Tendo em vista os coeficientes de variação obtidos comumente nos ensaios agrícolas de campo, são considerados baixos quando inferiores a 10 %, médios quando de 10 % a 20 %, altos quando de 20 % a 30 % e muito altos quando superiores a 30 %.
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
EXERCÍCIO
Diagrama de Ramos e Folhas
Diagrama de Frequêcia
Fazer Boxplot
Prof. Dr. Márcio A. Fiori - mfi@unesc.net
Dados da usinagem (mm)903,88 1036,92 1098,04 1011,26
1020,70 915,38 1014,53 1097,79
934,52 1214,08 993,45 1120,19
860,41 1039,19 950,38 941,83
936,78 1086,98 1144,94 1066,12